CN110362949A - 一种基于神经网络的滑坡敏感性评估方法 - Google Patents
一种基于神经网络的滑坡敏感性评估方法 Download PDFInfo
- Publication number
- CN110362949A CN110362949A CN201910667647.2A CN201910667647A CN110362949A CN 110362949 A CN110362949 A CN 110362949A CN 201910667647 A CN201910667647 A CN 201910667647A CN 110362949 A CN110362949 A CN 110362949A
- Authority
- CN
- China
- Prior art keywords
- landslide
- sample point
- sample
- neural network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000035945 sensitivity Effects 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 210000004027 cell Anatomy 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络的滑坡敏感性评估方法,S1:筛选滑坡影响因子;S2:将筛选的若干滑坡影响因子原数据进行重分类;S3:构建神经网络学习模型;S4:选取样本点,所述样本点包含正样本点和负样本点,所述正样本点和所述负样本点都平均包含所述滑坡影响因子重分类后所有的情况;S5:选择训练样本点和测试样本点的最佳比例,将一定比例的训练样本点输入所述神经网络进行训练,剩下比例的样本点进行测试;S6:选择使模型精度最高的权重将待测样本点输入到所述神经网络进行训练并且设置输出为0~1的概率区间,输出的概率值为滑坡敏感性,整个过程样本数据获取容易并且分类精度高。
Description
技术领域
本发明涉及滑坡敏感性评价领域,具体涉及一种基于神经网络的滑坡敏感性评估方法。
背景技术
滑坡灾害具有分布范围广、发生频次高、多发性、区域性和严重性等特点,对国民经济和生命财产都造成不可估量的损失。根据自然资源部统计,近年来,滑坡灾害占全部地质灾害总数的70%以上。滑坡,狭义上来说,是指在内部作用的力量和外部作用的力量共同协作下,地质体失去稳定性,顺着斜坡的坡向向下滑动的自然现象;广义上来说,是指地质体已发生过滑动,或有潜在倾向的自然现象。具体的描述是:滑坡是斜坡体在以重力为主的自然内部力量作用力下,或者在包含人类工程活动的外部力量作用力的影响下,部分斜坡的坡体沿着稳定性差的斜坡面或斜坡带,或整体或局部地,产生以水平位移为主的严重形变现象。
滑坡敏感性或称易发性是指在特殊地形或某些因素作用下发生滑坡的可能性,具体可以分为4类:(1)基于专家知识的定性分析推理方法;(2)基于编录数据的滑坡空间概率分析方法;(3)基于数学模型的统计分析评价方法;(4)基于滑坡过程或物理学的模型分析方法,但是存在以下问题:
(1)基于专家知识的评价方法,是基于对研究区已经有深刻认识,凭借专家的经验和知识,再深入分析滑坡事件的形成原理,从而实现对引发滑坡事件发生的各种影响因子的敏感性评价,然后把评价的结果绘制在地图上。这种方法太过于依赖专家的积累。
(2)基于编录数据的评价方法,是基于对研究区的地质灾害已经有了较高程度的研究,相关机构对地质灾害已经做好了充分的登记入库准备,建立了能够直接作为研究资料的数据库之上的。这种方法在实际生活中,一旦出现缺乏资料的情况,将会受到极大限制。
(3)基于数学模型的评价方法,是在收集到大量基础地质灾害统计资料,完成对这些数据资料的分析处理之后,对统计数据的结果运用恰当数学模型,划分等级,再用等级划分研究区。虽然这种方法能够非常大程度地保证实验的客观性,但也由于它对样本数据的量要求大,评价的结果没有验证数据,数据质量起到决定性作用,存在极大的局限性。
(4)基于滑坡过程或物理学的分析方法,主要是用数学及力学公式计算地质体的稳定性大小,或者用物理力学模型模拟研究促使地质灾害发生的整个过程,再利用GIS软件对计算的结果进行展示。这种方法样本获取难度高,耗费时间长,实际操作需要付出的成本高。
发明内容
本发明的目的在于克服现有技术中的缺点,提供一种基于神经网络的滑坡敏感性评估方法,样本数据获取容易,不需要事先建立数据库通过少量样本数据进行实验即可达到较高评价精度。
本发明的目的是通过以下技术方案来实现的:一种基于神经网络的滑坡敏感性评估方法,包括以下步骤:
S1:筛选滑坡影响因子,执行S2;
S2:将筛选的若干滑坡影响因子原数据进行重分类,执行S3;
S3:构建神经网络学习模型,执行S4;
S4:选取样本点,所述样本点包含滑坡地区样本点和非滑坡地区样本点,所述滑坡地区的样本点为正样本点,所述非滑坡地区的样本点为负样本点,所述正样本点和所述负样本点都平均包含所述滑坡影响因子重分类后所有的情况,执行S5;
S5:选择训练样本点和测试样本点的最佳比例,将一定比例的训练样本点输入所述神经网络进行训练,剩下比例的样本点进行测试,执行S6;
S6:选择使模型精度最高的权重将待测样本点输入到所述神经网络进行训练,并且设置输出为0~1的概率区间,输出的概率值为滑坡敏感性。
通过上述技术手段,由于滑坡的影响因子众多,需要根据研究地区的具体情况选取合适的滑坡影响因子,例如:地质、地形、水文气象、土壤植被、人类活动、地震等,基于GIS技术即可采集需要研究的地区到的数据,由于筛选出的滑坡影响因子数据类型不尽相同,因此进行需要重分类化为统一格式的简单数值,提高模型的运行速度;建立神经网络模型后,通过选取样本点、选择训练样本点和测试样本点的最佳比例得到分类精度最高的模型,最后输入待测试地区的数据,设置分类精度最高模型的权重,将输出层设置为0~1的概率区间,输出的概率值即为该地区的滑坡敏感性,整个过程样本数据获取容易并且分类精度高。
优选的,所述神经网络采用BP神经网络,所述BP神经网络为三层结构,即输入层、隐藏层和输出层。
通过上述技术手段,输入层的主要作用是把外部需要进行处理的信息传输到神经网络的结构中;隐含层的主要作用是实现对数据的非线性处理,处理过程是利用设置的激活函数对数据实现非线性可微,可以是一层,也可以是多层;输出层的主要作用则是输出需要的结果数据,将期望的信号输出作为参考,用实际的信号输出进行对比。如果实际输出的结果满足期望的结果,则输出数据,若不满足,则反向传播修正。网络中每个神经元都是独立的神经元,不会相互影响,层与层之间的联系,也仅仅只在信号的传递上,这样设置的好处在于可以直接通过测试样本检验并评估模型精度。
优选的,所述S2还包括以下步骤:
S21:将若干所述滑坡影响因子的原数据标准化为统一数据类型,执行S22;
S22:根据标准化后的结果,利用ArcGIS栅格计算器,计算标准化后每种影响因子的占总的影响因子的百分比。
通过上述技术手段,由于原始数据有数值数据和属性数据,单位不统一,为了实现同质化分析,需要将原始数据重分类为简单数值,重分类后不仅可以统一数据类型,也可以提高所有模型的运行速度,利用ArcGIS栅格计算器,计算重分类后每种影响因子的分类百分比,以便更直观对滑坡敏感性影响因子的数据分布情况进行研究。
优选的,所述S4还包括以下步骤:
S41:根据DEM数据的栅格个数,采用30m×30m分辨率大小划分单元格,每个网格单元作为一个制图单位,总共得到X个网格单元,其中有X1个滑坡网格单元,即正样本数据网格单元,X-X1个非滑坡网格单元,即负样本数据网格单元,执行S42;
S42:选择相同数量的正样本点和负样本点,即正样本数:负样本数=1:1。
通过上述技术手段,由于小型滑坡的规模并不一定能够达到1km2,即滑坡规模很小,最小的单元格内也包含了非滑坡区域的信息,而被误判为滑坡点,将网格单元大小设置为30m×30m,有效降低了误判非滑坡区域的概率。
优选的,所述S42中选择的正样本点和负样本点随机选择且均匀不连续。
通过上述技术手段,样本数据随机且均匀地选择进一步降低避免误判为非滑坡区域的概率。
优选的,所述S5还包括以下步骤:
S51:选取80%的正样本数据和负样本数据进行模型训练,选取20%的正样本数据和负样本数据进行模型测试,即正样本数:负样本数=1:1,训练样本数:测试样本数=8:2,增大8:2的比例进行实验或者减小8:2的比例进行实验,最后对比模型训练的总体精度OA,得到样本数据的最优比例,总体精度计算公式为:
通过上述技术手段,由于目前国内外对于训练样本与测试样本的比例问题,大多采用“二八定律”,即训练样本设置为样本数据的80%,测试样本设置为样本数据的20%,但这些样本数据的网格单元大小都较大,为1km×1km或更大,不适合本方法,基于更小的数据网格单元使得比例在8:2的左右调整,可以有效提高模型精度。
优选的,测试的方法为:将部分的样本点存储为正样本测试样本,剩余部分等量的样本点存储为负样本测试样本,输入到所述神经网络进行训练。
通过上述技术手段,所以训练的预期效果是:部分的样本点值输出结果全部为1,剩余部分的等量的样本点值输出结果全部为0,这样设置使得更方便检测该神经网络的分类精度。
优选的,所述S6还包括以下步骤:
S61:将输出结果按照0~0.2,0.2~0.4,0.4~0.6,0.6~0.8,0.8~1这五个概率区间将滑坡敏感性分为5个等级:1-极低;2-低;3-中等;4-高;5-极高,概率越大则等级越高,就代表越容易发生滑坡。
通过上述技术手段,将五个概率区间分为不同的等级,某个区域滑坡敏感性等级越高,这个区域发生滑坡事件的可能性越大,使得更实用。
优选的,所述S1还包括以下步骤:
S11:将滑坡影响因子分为几个大类,再从几个大类中挑选适合该研究地区的滑坡影响因子,所述滑坡影响因子的大类包括:地质、地形、水文气象、土壤植被、人类活动、地震。
本发明的有益效果是:
1.本发明的神经网络采用BP神经网络,BP神经网络为三层结构,即输入层、隐藏层和输出层,输入层的主要作用是把外部需要进行处理的信息传输到神经网络的结构中;隐含层的主要作用是实现对数据的非线性处理,处理过程是利用设置的激活函数对数据实现非线性可微,可以是一层,也可以是多层;输出层的主要作用则是输出需要的结果数据,将期望的信号输出作为参考,用实际的信号输出进行对比。如果实际输出的结果满足期望的结果,则输出数据,若不满足,则反向传播修正。网络中每个神经元都是独立的神经元,不会相互影响,层与层之间的联系,也仅仅只在信号的传递上,这样设置的好处在于可以直接通过测试样本检验并评估模型精度;
2.本发明的S4还包括以下步骤:S41:根据DEM数据的栅格个数,采用30m×30m分辨率大小划分单元格,每个网格单元作为一个制图单位,总共得到X个网格单元,其中有X1个滑坡网格单元,即正样本数据网格单元,X-X1个非滑坡网格单元,即负样本数据网格单元,执行S42;S42:选择相同数量的正样本点和负样本点,即正样本数:负样本数=1:1,由于小型滑坡的规模并不一定能够达到1km2,即滑坡规模很小,最小的单元格内也包含了非滑坡区域的信息,而被误判为滑坡点,将网格单元大小设置为30m×30m,有效降低了误判非滑坡区域的概率;
3.本发明的S5还包括以下步骤:S51:选取80%的正样本数据和负样本数据进行模型训练,选取20%的正样本数据和负样本数据进行模型测试,即正样本数:负样本数=1:1,训练样本数:测试样本数=8:2,增大8:2的比例进行实验或者减小8:2的比例进行实验,最后对比模型训练的总体精度OA,得到样本数据的最优比例,总体精度计算公式为:由于目前国内外对于训练样本与测试样本的比例问题,大多采用“二八定律”,即训练样本设置为样本数据的80%,测试样本设置为样本数据的20%,但这些样本数据的网格单元大小都较大,为1km×1km或更大,不适合本方法,基于更小的数据网格单元使得比例在8:2的左右调整,可以有效提高模型精度。
附图说明
图1为本发明的一个实施例的BP神经网络结构图;
图2为本发明的一个实施例巴州区滑坡事件分布规模;
图3为本发明的一个实施例巴州区滑坡事件分布图;
图4为本发明的一个实施例样本比例实验精度趋势图;
图5为训练样本:测试样本=3:1时的分类结果图;
图6为训练样本:测试样本=8:2时的分类结果图;
图7为训练样本:测试样本=9:1时的分类结果图;
图8为训练样本:测试样本=11:1时的分类结果图;
图9为训练样本:测试样本=14:1时的分类结果图;
图10为训练样本:测试样本=19:1时的分类结果图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下。
实施例1
如图1所示,一种基于神经网络的滑坡敏感性评估方法,包括以下步骤:
S1:筛选滑坡影响因子,执行S2;
S2:将筛选的若干滑坡影响因子原数据进行重分类,执行S3;
S3:构建神经网络学习模型,执行S4;
S4:选取样本点,样本点包含滑坡地区样本点和非滑坡地区样本点,滑坡地区的样本点为正样本点,非滑坡地区的样本点为负样本点,正样本点和负样本点都平均包含滑坡影响因子重分类后所有的情况,执行S5;
S5:选择训练样本点和测试样本点的最佳比例,将一定比例的训练样本点输入神经网络进行训练,剩下比例的样本点进行测试,执行S6;
S6:选择使模型精度最高的权重将待测样本点输入到神经网络进行训练,并且设置输出为0~1的概率区间,输出的概率值为滑坡敏感性。
由于滑坡的影响因子众多,需要根据研究地区的具体情况选取合适的滑坡影响因子,例如:地质、地形、水文气象、土壤植被、人类活动、地震等,基于GIS技术即可采集需要研究的地区到的数据,由于筛选出的滑坡影响因子数据类型不尽相同,因此进行需要重分类化为统一格式的简单数值,提高模型的运行速度;建立神经网络模型后,通过选取样本点、选择训练样本点和测试样本点的最佳比例得到分类精度最高的模型,最后输入待测试地区的数据,设置分类精度最高模型的权重,将输出层设置为0~1的概率区间,输出的概率值即为该地区的滑坡敏感性,整个过程样本数据获取容易并且分类精度高。
滑坡敏感性的研究,本质上是映射研究,用数学语言表述,就是在特定环境条件下,地质体失稳的空间发生概率,即式(3-1)。
L=f(x1,x2,…,xn) (3-1)
式中:L为滑坡发生事件;x1,x2,…,xn为影响因子;f为映射关系,都无量纲。滑坡地质灾害的形成和发生主要取决于地形地貌条件、地质条件和斜坡自身的受力条件。目前研究较多的滑坡敏感性影响因子具体可以分为6种类型,如表3-1。
表3-1滑坡影响因子
表3-1中的滑坡影响因子,在对某个区域进行研究不会全部考虑,某些影响因子对于待研究的区域没有影响,因此研究滑坡敏感性需要结合研究区域的具体情况考虑。
具体实施时,以巴州地区为例,选定6种滑坡敏感性影响因子作为巴州区滑坡地质灾害发生的滑坡敏感性影响因子,即高程(m)、岩性、坡向(°)、坡度(°)、到道路距离(m)、到水系距离(m)。
神经网络采用BP神经网络,BP神经网络为三层结构,即输入层、隐藏层和输出层。输入层的主要作用是把外部需要进行处理的信息传输到神经网络的结构中;隐含层的主要作用是实现对数据的非线性处理,处理过程是利用设置的激活函数对数据实现非线性可微,可以是一层,也可以是多层;输出层的主要作用则是输出需要的结果数据,将期望的信号输出作为参考,用实际的信号输出进行对比。如果实际输出的结果满足期望的结果,则输出数据,若不满足,则反向传播修正。网络中每个神经元都是独立的神经元,不会相互影响,层与层之间的联系,也仅仅只在信号的传递上,这样设置的好处在于可以直接通过测试样本检验并评估模型精度,BP神经网络结构如图1。
S2还包括以下步骤:
S21:将若干滑坡影响因子的原数据标准化为统一数据类型,执行S22;
S22:根据标准化后的结果,利用ArcGIS栅格计算器,计算标准化后每种影响因子的占总的影响因子的百分比。
由表3-1可见,由于原始数据有数值数据和属性数据,单位不统一,为了实现同质化分析,需要将原始数据重分类为简单数值,重分类后不仅可以统一数据类型,也可以提高所有模型的运行速度,重分类标准如表3-2。
表3-2滑坡敏感性影响因子及其重分类标准
利用ArcGIS栅格计算器,计算重分类后每种影响因子的分类百分比,以便更直观对滑坡敏感性影响因子的数据分布情况进行研究。
S4还包括以下步骤:
S41:根据DEM数据的栅格个数,采用30m×30m分辨率大小划分单元格,每个网格单元作为一个制图单位,总共得到X个网格单元,其中有X1个滑坡网格单元,即正样本数据网格单元,X-X1个非滑坡网格单元,即负样本数据网格单元,执行S42;
S42:选择相同数量的正样本点和负样本点,即正样本数:负样本数=1:1。
具体实施时,以巴州地区为例,四川省巴州区滑坡编录图中,共记录了300个滑坡事件点的位置,每个滑坡事件点的滑坡规模不同,即滑坡面积大小不同,滑坡事件分布如图3,滑坡事件规模分布如图2。
由于小型滑坡的规模并不一定能够达到1km2,即滑坡规模很小,最小的单元格内也包含了非滑坡区域的信息,而被误判为滑坡点,将网格单元大小设置为30m×30m,有效降低了误判非滑坡区域的概率。
S42中选择的正样本点和负样本点随机选择且均匀不连续。
样本数据随机且均匀地选择进一步降低避免误判为非滑坡区域的概率。
在本实施例中,滑坡区域选取了300个正样本点,在非滑坡区域同样选取了300个负样本点,总共600个样本点作为模型的样本数据,完成600个样本数据选取之后,整理6种影响因子重分类后的数值数据,样本数据列举如表3-3,前300条为正样本,后300条为负样本,1代表发生滑坡,0代表未发生滑坡。
表3-3样本数据列举
S5还包括以下步骤:
S51:选取80%的正样本数据和负样本数据进行模型训练,选取20%的正样本数据和负样本数据进行模型测试,即正样本数:负样本数=1:1,训练样本数:测试样本数=8:2,增大8:2的比例进行实验或者减小8:2的比例进行实验,最后对比模型训练的总体精度OA,选取总体精度OA最高的比例为样本数据的最优比例,总体精度计算公式为:
由于目前国内外对于训练样本与测试样本的比例问题,大多采用“二八定律”,即训练样本设置为样本数据的80%,测试样本设置为样本数据的20%,但这些样本数据的网格单元大小都较大,为1km×1km或更大,不适合本方法,基于更小的数据网格单元使得比例在8:2的左右调整,可以有效提高模型精度。
按照前文实验步骤,首先利用MATLAB构建BP神经网络算法,最终得到训练样本:测试样本=11:1的分类结果最好,总体精度对比如表3-4。
表3-4不同样本比例分类精度结果对比
从表3-4可以看出,训练样本的比例按照“二八定律”设置分类效果不好,随着训练样本的增加,模型的训练数据逐渐增加,测试样本的分类精度也开始逐渐增加,在比例设置为11:1的时候达到最高98.00%,超过这个比例之后,分类精度又开始下降。样本比例实验精度趋势如图4所示,表3-4直观展示的分类结果为如图5-10所示。
测试的方法为:将部分的样本点存储为正样本测试样本,剩余部分等量的样本点存储为负样本测试样本,输入到神经网络进行训练。
所以训练的预期效果是:部分的样本点值输出结果全部为1,剩余部分的等量的样本点值输出结果全部为0,这样设置使得更方便检测该神经网络的分类精度。
S6还包括以下步骤:
S61:将输出结果按照0~0.2,0.2~0.4,0.4~0.6,0.6~0.8,0.8~1这五个概率区间将滑坡敏感性分为5个等级:1-极低;2-低;3-中等;4-高;5-极高,概率越大则等级越高,就代表越容易发生滑坡。将五个概率区间分为不同的等级,某个区域滑坡敏感性等级越高,这个区域发生滑坡事件的可能性越大,使得更实用。
S1还包括以下步骤:S11:将滑坡影响因子分为几个大类,再从几个大类中挑选适合该研究地区的滑坡影响因子,滑坡影响因子的大类包括:地质、地形、水文气象、土壤植被、人类活动、地震。原数据的类型包括:气象数据、表格数据、矢量数据、图件数据、影响数据。数据来源如表3-5所示:
表3-5数据来源
本发明的实施原理:首先根据地区的具体情况筛选滑坡影响因子,将筛选的若干滑坡影响因子原数据进行重分类化为统一标准,构建神经网络学习模型;其次,选取样本点,选取的样本点包含滑坡地区样本点和非滑坡地区样本点,滑坡地区的样本点为正样本点,非滑坡地区的样本点为负样本点,正样本点和负样本点都平均包含所述滑坡影响因子重分类后所有的情况;再次,选择训练样本点和测试样本点的最佳比例,将一定比例的训练样本点输入所述神经网络进行训练,剩下比例的样本点进行测试,最后,选择使模型精度最高的权重将待测样本点输入到所述神经网络进行训练,并且设置输出为0~1的概率区间,输出的概率值为滑坡敏感性。
以上仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域乘员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于神经网络的滑坡敏感性评估方法,其特征在于,包括以下步骤:
S1:筛选滑坡影响因子,执行S2;
S2:将筛选的若干滑坡影响因子原数据进行重分类,执行S3;
S3:构建神经网络学习模型,执行S4;
S4:选取样本点,所述样本点包含滑坡地区样本点和非滑坡地区样本点,所述滑坡地区的样本点为正样本点,所述非滑坡地区的样本点为负样本点,所述正样本点和所述负样本点都平均包含所述滑坡影响因子重分类后所有的情况,执行S5;
S5:选择训练样本点和测试样本点的最佳比例,将一定比例的训练样本点输入所述神经网络进行训练,剩下比例的样本点进行测试,执行S6;
S6:选择使模型精度最高的权重将待测样本点输入到所述神经网络进行训练,并且设置输出为0~1的概率区间,输出的概率值为滑坡敏感性。
2.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述神经网络采用BP神经网络,所述BP神经网络为三层结构,即输入层、隐藏层和输出层。
3.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S2还包括以下步骤:
S21:将若干所述滑坡影响因子的原数据标准化为统一数据类型,执行S22;
S22:根据标准化后的结果,利用ArcGIS栅格计算器,计算标准化后每种影响因子的占总的影响因子的百分比。
4.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S4还包括以下步骤:
S41:根据DEM数据的栅格个数,采用30m×30m分辨率大小划分单元格,每个网格单元作为一个制图单位,总共得到X个网格单元,其中有X1个滑坡网格单元,即正样本数据网格单元,X-X1个非滑坡网格单元,即负样本数据网格单元,执行S42;
S42:选择相同数量的正样本点和负样本点,即正样本数:负样本数=1:1。
5.根据权利要求4所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S42中选择的正样本点和负样本点随机选择且均匀不连续。
6.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S5还包括以下步骤:
S51:选取80%的正样本数据和负样本数据进行模型训练,选取20%的正样本数据和负样本数据进行模型测试,即正样本数:负样本数=1:1,训练样本数:测试样本数=8:2,增大8:2的比例进行实验或者减小8:2的比例进行实验,最后对比模型训练的总体精度OA,得到样本数据的最优比例,总体精度计算公式为:
7.根据权利要求6所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,测试的方法为:将部分样本点存储为正样本测试样本,剩余部分的样本点存储为负样本测试样本,输入到所述神经网络进行训练。
8.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S6还包括以下步骤:
S61:将输出结果按照0~0.2,0.2~0.4,0.4~0.6,0.6~0.8,0.8~1这五个概率区间将滑坡敏感性分为5个等级:1-极低;2-低;3-中等;4-高;5-极高,概率越大则等级越高,就代表越容易发生滑坡。
9.根据权利要求1所述的一种基于神经网络的滑坡敏感性评估方法,其特征在于,所述S1还包括以下步骤:
S11:将滑坡影响因子分为几个大类,再从几个大类中挑选适合该研究地区的滑坡影响因子,所述滑坡影响因子的大类包括:地质、地形、水文气象、土壤植被、人类活动、地震。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667647.2A CN110362949B (zh) | 2019-07-23 | 2019-07-23 | 一种基于神经网络的滑坡敏感性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667647.2A CN110362949B (zh) | 2019-07-23 | 2019-07-23 | 一种基于神经网络的滑坡敏感性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362949A true CN110362949A (zh) | 2019-10-22 |
CN110362949B CN110362949B (zh) | 2022-09-27 |
Family
ID=68220592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910667647.2A Expired - Fee Related CN110362949B (zh) | 2019-07-23 | 2019-07-23 | 一种基于神经网络的滑坡敏感性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362949B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824142A (zh) * | 2019-11-13 | 2020-02-21 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
CN112200355A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
CN112686192A (zh) * | 2021-01-06 | 2021-04-20 | 电子科技大学 | 一种基于精细地形特征的滑坡稳定性分类方法 |
CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
CN114612799A (zh) * | 2022-03-11 | 2022-06-10 | 应急管理部国家自然灾害防治研究院 | 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统 |
CN115935640A (zh) * | 2022-12-02 | 2023-04-07 | 国家基础地理信息中心 | 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法 |
CN117111057A (zh) * | 2023-08-23 | 2023-11-24 | 首都师范大学 | 一种煤矿采空区形变敏感性评价方法 |
CN117195750A (zh) * | 2023-11-07 | 2023-12-08 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
-
2019
- 2019-07-23 CN CN201910667647.2A patent/CN110362949B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
Non-Patent Citations (2)
Title |
---|
GAROSI, Y: "Comparison of differences in resolution and sources of controlling factors for gully erosion susceptibility mapping", 《GEODERMA 》 * |
李远远等: "基于确定性系数和支持向量机的地质灾害易发性评价", 《地球信息科学》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824142A (zh) * | 2019-11-13 | 2020-02-21 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN110824142B (zh) * | 2019-11-13 | 2022-06-24 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
CN112200355B (zh) * | 2020-09-30 | 2024-01-05 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200355A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
CN112686192A (zh) * | 2021-01-06 | 2021-04-20 | 电子科技大学 | 一种基于精细地形特征的滑坡稳定性分类方法 |
CN112686192B (zh) * | 2021-01-06 | 2022-05-31 | 电子科技大学 | 一种基于精细地形特征的滑坡稳定性分类方法 |
CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
CN114612799A (zh) * | 2022-03-11 | 2022-06-10 | 应急管理部国家自然灾害防治研究院 | 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统 |
CN115935640B (zh) * | 2022-12-02 | 2024-01-05 | 国家基础地理信息中心 | 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法 |
CN115935640A (zh) * | 2022-12-02 | 2023-04-07 | 国家基础地理信息中心 | 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法 |
CN117111057A (zh) * | 2023-08-23 | 2023-11-24 | 首都师范大学 | 一种煤矿采空区形变敏感性评价方法 |
CN117195750A (zh) * | 2023-11-07 | 2023-12-08 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
CN117195750B (zh) * | 2023-11-07 | 2024-02-02 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110362949B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362949A (zh) | 一种基于神经网络的滑坡敏感性评估方法 | |
Laffan et al. | Assessing endemism at multiple spatial scales, with an example from the Australian vascular flora | |
Cavazzi et al. | Are fine resolution digital elevation models always the best choice in digital soil mapping? | |
Goovaerts | Geostatistical tools for characterizing the spatial variability of microbiological and physico-chemical soil properties | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
Casallas et al. | Long short-term memory artificial neural network approach to forecast meteorology and PM 2.5 local variables in Bogotá, Colombia | |
Al-Mashreki et al. | GIS-based sensitivity analysis of multi-criteria weights for land suitability evaluation of sorghum crop in the Ibb Governorate Republic of Yemen | |
CN112785450A (zh) | 一种土壤环境质量分区方法及系统 | |
Anil et al. | Unravelling the influence of subjectivity on ranking of CMIP6 based climate models: A case study | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
Dobarco et al. | A framework to assess changes in soil condition and capability over large areas | |
Edwards et al. | Parameterizing an aeolian erosion model for rangelands | |
CN117195750B (zh) | 一种参考时序形变的滑坡灾害敏感性模型构建方法 | |
Belete | The impact of sedimentation and climate variability on the hydrological status of Lake Hawassa, South Ethiopia | |
Kvamme | Analysing regional environmental relationships | |
Zhang et al. | Sensitivity and effectiveness and of landscape metric scalograms in determining the characteristic scale of a hierarchically structured landscape | |
CN101694671A (zh) | 一种基于地学栅格图像的空间加权主成分分析的方法 | |
Jin et al. | Enriched spatial analysis of air pollution: Application to the city of Bogotá, Colombia | |
Najdahmadi et al. | Hazard-informed optimization of seismic networks for earthquake early warning—the case of the Lower Rhine Embayment (western Germany) | |
Zhao et al. | Uncertainty assessment of mapping mercury contaminated soils of a rapidly industrializing city in the Yangtze River Delta of China using sequential indicator co-simulation | |
Ponzano et al. | Systematic error analysis of heavy-precipitation-event prediction using a 30-year hindcast dataset | |
CN106127606A (zh) | 一种勘探开发项目中油气指标数据的处理方法和装置 | |
Cooper et al. | The influence of sampling intensity on vegetation classification and the implications for environmental management | |
Shahbazi et al. | Grid source event-based seismic hazard assessment of Iran | |
Ferentinou et al. | Assessing landslide hazard on medium and large scales, using self-organizing maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220927 |
|
CF01 | Termination of patent right due to non-payment of annual fee |